相比较传统的融合方法，核方法融合数据更为灵活，其能够学习不同数据之间的相关性。例如，其可以有效融合不同类型的数据（数字类型、字符串类型等），并有效处理非线性数据，已成为一种常用的融合方法。Zhang等首先从MRI、PET、脑脊液等模态数据中提取特征，然后对每种特征计算一个核矩阵，最后融合3个核矩阵并嵌入到SVM中，对AD和MCI进行分类。Suk等首先利用编码解码器自动学习每个模态的特征，然后引入多任务学习对特征进行降维，最后利用多核融合嵌入SVM对AD进行诊断。Suk等引入玻尔兹曼机从MRI和PET中学习path级的特征，然后利用多核融合嵌入SVM对学到的特征进行分类。Jie等构建了子网络核学习不同模态中大脑的内在结构和节点的拓扑信息特征，最后利用多核学习框架融合不同子网络的特征来诊断AD和MCI。Liu等利用多核学习框架融合MRI多个模态的解剖信息。在他们的方法中，将每种核在验证集上的准确率作为最后融合的权重。然而，在一些研究中，每个核的融合权重是通过人工经验调试获取得到的，不具备通用性。Hinrichs等提出了一种多核学习的框架，在提出的方法中，每个核的融合权重作为正则化项嵌入到目标函数中，通过优化整个目标函数来自动学习融合参数。Kim等提出了一种多模稀疏层次化极限学习机方法，首先提出稀疏层次极限学习自动编码器从每种模态数据中抽取高层特征，然后提出多核极限学习机进行融合。该类方法在一定程度上改善了分类精度，然而该类方法计算量大，较为耗时。
（三）基于多任务学习的融合方法
将基于单一模态的数据进行AD分类看作一个任务，利用多模态数据对AD进行分类可看作是一个多任务学习问题。多任务学习的优势是同时学习多个相关的任务并在学习过程中利用多任务之间的相关性，提高模型的性能。Zhang等首先从低级特征中编码树状信息，然后在多任务学习框架下利用共享的树状模型学习AD的基因风险因子。Xu等提出了一种鲁棒的低秩结构的稀疏模型，模型中的rank-k低秩拟合能够抽取多个任务的有效关系信息。利用多任务学习进行特征选择能有效提升AD诊断的精度。Zhu等提出了一种子空间正则化稀疏多任务学习的框架，从MRI、PET等多模态抽取的原始特征中选取具有区分性、鲁棒的特征。Ye等在多任务框架下引入组稀疏正则化项选择对AD和MCI分类具有区分性的特征。考虑到特征选择的个性化问题，Cao等构建了混合组稀疏正则化项引入多任务学习框架中进行特征选择。Zhou等提出了一种联合映射和稀疏特征选择的多任务学习框架，将图像和基因信息映射到一个诊断标记特征空间，同时，利用稀疏正则化项对两种模态的相关性信息进行学习，并用于最后的AD诊断。Wang等提出了一种多任务特定关系学习来获取每个模态的内在相关性信息，并能够对不同时间点的AD进行预测。考虑到深度学习框架强大的学习能力，Liu等提出了一种深度多任务多通道的学习方法，在完成AD诊断的同时给出临床得分。考虑到多模板有利于获取更丰富的信息，Liu等结合多模板学习和多任务稀疏学习，选择出每个模板空间的区分性特征。
本节从基于单模态影像的智能AD诊断和多模态融合的智能AD诊断两方面对现有方法进行了总结，相关方面的研究虽然已经取得了较大进展，但未来仍存在一些待解决的问题及值得进一步研究的工作：a．小样本条件下的深度智能AD诊断方法。深度学习结构复杂，在大数据条件下，能够对数据的分布进行有效的拟合，已在计算机视觉领域取得了重大突破。然而，在AD诊断任务中数据量较小，传统的深度学习难以取得令人满意的性能。度量学习能够学习任务自适应的度量空间，获得泛化性能更好的特征，因此，如何在深度学习网络中嵌入度量学习模块是未来的一个研究方向。b．基于知识迁移的智能AD智能诊断方法。只研究AD诊断单个任务，其性能提升空间有限。然而，与AD诊断相关的其他任务可以为AD诊断提供互补的有效信息。因此，如何将相关任务的信息迁移到AD诊断，进一步提升诊断性能是待解决的问题。迁移学习旨在将源域的有效知识迁移到目标域（小样本）中。虽然已有部分相关的基于迁移学习的研究，然而这些方法在知识迁移时，并未考虑到避免源域不相关知识的迁移，从而对目标域的学习产生了负面的影响，降低了模型性能。因此，如何有效地将源域中的相关知识迁移到目标域，是未来研究的一个方向。c．基于深度多任务学习的AD智能诊断。现有的学习方法只关注单个任务，例如，只能完成landmark检测或基于landmark的分类，忽略了任务之间的关联性，限制了性能的提升，同时，也降低了模型的效率。深度学习网络可以通过设计新的网络结构和目标函数适用于多任务学习，因此，如何设计任务自适应的多分支网络结构及任务相关性约束，也是未来的一个研究方向。
哦豁，小伙伴们如果觉得倾城文选不错，记得收藏网址 或推荐给朋友哦~拜托啦 (>.<)
传送门：